AnomalyAgent：用于零/少样本异常检测的训练无关智能体模型
计算机视觉与模式识别
2026-05-29 v1
摘要
受视觉语言模型 (VLM) 如 CLIP 通用性强的影响，许多零/少样本异常检测 (AD) 方法在各种数据集上取得了令人印象的检测性能。然而，这些方法需要在大型辅助数据集上进行大量训练以适配 VLM 以进行异常检测，其推理主要依赖基于视觉-文本嵌入相似性的异常得分，缺乏对需要深层上下文理解才能检测复杂异常的推理能力。为此，我们提出了 AnomalyAgent，一种 novel 训练无关、智能体化框架，利用多模态大语言模型 (MLLM) 的先进推理和通用性专为异常检测服务。其关键要素包括：① 全面的异常导向工具集，使其能够在零样本设置下实现自适应 MLLM 驱动的异常推理；② 定制的记忆模块，使异常推理能够以 few-shot、上下文参考示例为依托。我们将评估扩展到更加多样化的异常类型，如物流和制造业情境下的逻辑/上下文异常。大量实验结果表明，AnomalyAgent 在训练无关 VLM 基于 AD 和通用智能体方法上实现显著更好的性能，凸显其在零样本和 few-shot 异常检测设置下的卓越泛化能力。代码实现可在该地址找到。
引用
@article{arxiv.2605.30140,
title = {AnomalyAgent: Training-Free Agentic Models for Zero-/Few-Shot Anomaly Detection},
author = {Yi Zhang and Jiawen Zhu and Lele Fu and Guansong Pang},
journal= {arXiv preprint arXiv:2605.30140},
year = {2026}
}